CN115308623A - 一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法 - Google Patents
一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法 Download PDFInfo
- Publication number
- CN115308623A CN115308623A CN202211030790.9A CN202211030790A CN115308623A CN 115308623 A CN115308623 A CN 115308623A CN 202211030790 A CN202211030790 A CN 202211030790A CN 115308623 A CN115308623 A CN 115308623A
- Authority
- CN
- China
- Prior art keywords
- soc
- value
- particle
- particles
- lithium ion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012952 Resampling Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 36
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 56
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000010287 polarization Effects 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 10
- 230000007423 decrease Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 2
- 230000000449 premovement Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 20
- 230000006399 behavior Effects 0.000 abstract description 11
- 241000282414 Homo sapiens Species 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 230000015556 catabolic process Effects 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 239000000446 fuel Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法,属于新能源电池测控领域,本发明基于Thevenin等效电路模型,通过将SOC粒子模仿人类的合作、记忆、学习等智能行为,确定搜寻方向和步长,实现粒子向最优值的靠近,进而实现了对锂离子电池SOC值的有效迭代计算;本方法在充分考虑锂离子电池工作特性的基础上,基于等效电路模型,改进以粒子滤波为基础的迭代计算过程,实现锂离子电池SOC估算模型的建立和SOC值的数学迭代运算算法的可靠运行,本发明提高了计算可靠性;本发明可为不同应用场景下的锂离子电池SOC估算模型的建立和SOC值计算提供方法参考,具有计算简洁、适应性好和精度高的优点。
Description
技术领域
本发明涉及新能源电池测控领域,尤其涉及一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法。
背景技术
在锂离子电池的整个生命周期中,电池管理系统(Battery Management System,BMS)对核心参数电池荷电状态(State-of-charge,SOC)的监控和调节将影响应急动力输出的效果和安全性;因此,实时监测该参数的变化,并基于此保障锂离子电池的工作性能是非常必要的;由于BMS中的成组SOC估算技术尚不成熟,使用过程中存在的安全隐患严重制约了锂离子电池的发展;对于锂离子电池而言,可靠的BMS管理依靠准确的SOC值;在该值已知的情况下,不仅对其进行可靠能量管理和安全控制,而且还避免锂离子电池的提前损坏,延长其使用寿命;因此,精确估算SOC值,对保障锂离子电池的工作性能及其能量和安全管理至关重要;锂离子电池的SOC估算模型构建和精确估算值的获取,已成为其能量和安全管理的核心问题;锂离子电池由具有高能量密度和闭路电压的钴酸锂电池单体组合构成,其安全性受到所处工作状态的影响;SOC表征了锂离子电池的剩余容量,是电池管理系统最基本也是最重要的的一个关键参数;此外,锂离子电池的充放电过程包含复杂电能、化学能和热能转换等环节,过充电和过放电现象易引发安全事故,精确SOC估算在防止过充电和过放电中起着重要作用;在锂离子电池的应用中,其安全性依然是最为关注的问题,SOC估算是其安全使用的基础和前提。
针对锂离子电池SOC估算的必要性和紧迫性需求,相关研究机构和高校,如麻省理工学院、宾州州立大学、美国南卡大学、英国利兹大学、英国罗伯特高登大学、美国国家可再生能源室、美国莱登能源公司、德国英飞凌科技公司、清华大学、北京航空航天大学、北京理工大学、北京交通大学、重庆大学、中国科学技术大学和哈尔滨工业大学等,针对SOC估算展开了大量研究并进行了深入的探索;国内外很多期刊,如Journal of Power Sources、Applied Energy、IEEE Transactions on Power Systems和电源技术等,设立了针对性很强的栏目用于相关研究成果展示;针对锂离子电池的SOC估算问题,目前国内外相关研究工作者取得了巨大研究进展;如Hu等所述,现在主要有安时积分法(Ampere hour,Ah)、开路电压法(Open Circuit Voltage,OCV)、卡尔曼滤波及其扩展算法、粒子滤波法(ParticleFilter,PF)和神经网络法(Neural Network,NN)等。由于受充放电电流、温度、内阻、自放电和老化等诸多因素的影响,锂离子电池性能变化将会对SOC估算精度产生明显的影响,尚无通用的方法实现SOC值得精确估算;加上成组工作过程中单体间一致性的影响,锂离子电池仍然缺少有效的SOC估算方法;目前实际应用的SOC估算通过基本的安时积分方法实现,但是估算误差较大,并且受到诸多因素的影响使得累积效应明显。
为此,本领域技术人员作出了很多努力以改进上述缺点。比如,上述的方法中,针对粒子滤波法(PF),中国专利申请公布号:CN 112733411 A、发明名称:基于二阶差分粒子滤波的锂电池SOC估计方法及系统,中国专利申请公布号:CN 113011082 A、发明名称:一种改进蚁群算法优化粒子滤波的锂电池SOC预测方法,中国专利申请公布号:CN 113960482A、发明名称:基于改进灰狼粒子滤波的锂电池荷电状态智能预测方法,等等。但是,这些方法普遍存在步骤复杂、估算精度有待进一步提高的问题;
另外,搜寻者优化算法(SOA)是一种模拟人的随机搜索行为的一种应用于连续空间的群体智能优化算法,目前,已有报道用于质子交换膜燃料电池模型的优化(参见“基于搜寻者优化算法的质子交换膜燃料电池模型的优化”,李奇等,中国电机工程学报,28,17),但是,上述应用是将搜寻者优化算法用于质子交换膜燃料电池,并且是用于燃料电池的建模过程中,目前未见将其用于锂电池SOC估算。
发明内容
本发明的目的就在于提供一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法,以解决上述问题。
为了实现上述目的,本发明采用的技术方案是这样的:一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法,包括下述步骤:
S1:构建电池的状态空间模型;
S2:基于粒子重采样与搜寻者优化的迭代计算,实现SOC值的估算。
本发明创造性地将搜寻者优化算法用于粒子滤波算法的粒子寻优环节,从而提高锂离子电池的荷电状态估算的精确度。
作为优选的技术方案:步骤S1中,所述电池的状态空间模型如下:
其中,SOC(k)是k时刻的SOC值;SOCk+1和Up,k+1分别是k+1时刻的SOC值和极化电压值;UL,k+1为工作电压输出观测变量;N为SOC粒子个数;UOC,k+1为所估计下一时刻的开路电压,Up为Thevenin模型中RC电路上的极化电压,Rp,R0分别为锂离子电池的极化电阻和欧姆电阻,Δt为采样时间,在本研究中设为Δt=0.1s;τ为Rp和极化电容Cp的乘积;QN为电池的标定容量;Ik为当前时刻的电流大小;w1,k和w2,k为系统噪声参数;vk为观测噪声参数;
作为进一步优选的技术方案:所述电池的状态空间模型的构建方法为:
S11:通过将SOC和极化电压Up作为状态方程中的变量,输出端电压作为观测方程的变量,分别构建所述状态方程和观测方程表达式;
S12:初始化生成N个SOC状态粒子,通过迭代计算,从上一个状态值SOC(k-1)、输入信号I(k)和测量信号UL(k)计算出粒子滤波模型的估算值SOC(k)。
作为进一步优选的技术方案:所述步骤S12中,不同时刻k的估算方法为:
(1)初始化N个SOC粒子,计算状态空间变量的一步预测及其方差矩阵,根据状态方程直接得到如下所示预测方程:
SOC(k|k-1)=A(k)SOC(k-1|k-1)+BI(k) (2)
其中,SOC(k-1|k-1)为当前时刻SOC值,SOC(k|k-1)下一时刻所估算的SOC值,A(k)为状态转移矩阵,对系统变量进行预测,B为系统控制输入矩阵;
(2):通过得到的N个粒子的SOC值计算出对应的输出端电压值,和观测变量真实UL(k)作比较,通过判断估算值的好坏得出每个粒子的权重,并实现权重归一化:
其中,ωi k代表k时刻第i个粒子的权重;
(3):将权重最高的SOC粒子模拟做人群中的最优个体,当搜寻者粒子远离最优值时,步长将增大,当距离接近时,粒子将在附近搜寻;搜寻步长由不确定性推理来确定,如式(4)所示:
ui是目标函数值i的隶属度,uij是目标函数值i在j维搜索空间中的隶属度,模拟人群搜索行为的随机性;δij是高斯隶属函数参数,xmin和xmax分别是相同总体中最小和最大函数值的位置,iter和itermax分别是当前迭代次数和最大迭代次数,(itermax-iter)/itermax是惯性权重,随着迭代次数的增加,惯性权重从0.9线性减小到0.1;
(4):算法的搜寻方向根据利己行为、利他行为和预动行为分别得到利己方向、利他方向和预动方向,最终方向采用加权几何平均法确定,如式(5)所示:
Pi,best是当前个体所经历过的最优位置,Gi,best是第i个搜索个体所在邻域的整体历史最佳位置。W是迭代权重,rand是0到1之间的随机数,sign()是符号函数。
(5):如果满足重采样条件,即权重不符合条件的粒子数大于所设阈值,将进行粒子的重采样,重采样结束后,根据更新后的粒子权重来确定下一时刻的SOC估算值:
其中,Neff是所设阈值,ωk代表k时刻粒子的权重,x(i)代表第i个SOC粒子的估计值。
作为进一步优选的技术方案:所述N=100。
本发明主要用于获得锂离子电池SOC估算值,通过在传统粒子滤波算法中添加搜寻者优化算法,克服粒子重采样过程中易出现粒子退化和粒子多样性降低的缺陷,实现了锂离子电池SOC值的有效迭代计算。
本方法针对锂离子SOC值的精确估算目标,提出了一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法,通过在粒子滤波算法基础上引入搜寻者优化算法以改进重采样过程,提高粒子的寻优速度和精度,实现了锂离子电池SOC值的有效迭代计算;针对由于传统粒子滤波易陷入粒子退化和粒子多样性降低可能带来的SOC估算误差,基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法将SOC粒子视为拥有智能行为的人类,模拟人类合作、学习、记忆等智能行为,使SOC粒子向最优值靠近,防止重采样过程中易出现粒子退化的情况;在电池Thevenin等效电路模型基础上运用基于粒子重采样与搜寻者优化算法实现锂离子电池SOC估算模型的建立和SOC值的数学迭代运算
与现有技术相比,本发明的优点在于:本发明是基于锂离子电池动力应用需求和工作特性实验分析,结合现代控制理论研究思想,基于基于粒子重采样与搜寻者优化的锂离子电池SOC估算方法,具有较强的适用性;针对锂离子电池SOC值精确估算目标,本发明利用等效建模思想建立Thevenin模型描述电池的工作特性,通过在粒子滤波中引入搜寻者优化算法来解决粒子退化和粒子多样性降低的问题,实现了SOC估算的数学描述,提高了计算可靠性;本发明可为不同应用场景下的锂离子电池SOC估算模型的建立和SOC值计算提供方法参考,具有计算简洁、适应性好和精度高的优点。
附图说明
图1为本发明锂离子电池SOC估算模型结构示意图;
图2为HPPC工况下采用不同方法的锂离子电池SOC估算结果图;
图3为HPPC工况下采用不同方法的锂离子电池SOC估算误差图。
具体实施方式
以下将对本发明的基于粒子重采样与搜寻者优化算法的锂离子电池SOC估算方法结合附图作进一步的详细描述。
本发明针对锂离子电池应用时的SOC估算问题,提出了一种锂离子电池基于基于粒子重采样与搜寻者优化算法的锂离子电池SOC估算方法,通过等效建模思想建立Thevenin模型,并进行在线参数辨识,得出每个采样时间点对应的各个参数值,实现了锂离子电池动态工作特性的有效表征;该方法在充分考虑锂离子电池工作特性的基础上,结合SOC估算模型的建立,实现对锂离子电池老化过程特性的数学表达,构造基于基于粒子重采样与搜寻者优化算法的锂离子电池SOC估算方案;为了更好地体现本发明,在本实施例中仅以锂离子电池为例进行说明,但本领域技术人员应该熟知,根据本发明的技术思想可以实现多种锂离子电池的基于基于粒子重采样与搜寻者优化算法的SOC估算;以下对锂离子电池基于基于粒子重采样与搜寻者优化算法的SOC估算的实现步骤进行详细说明。
实施例:
参见图1,一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法,本方法针对提髙SOC估算精度目标,基于等效建模思想建立Thevenin模型,描述电池的动态特性,以便于运用粒子滤波算法进行SOC估计;结合锂离子电池的状态空间模型,基于粒子重采样与搜寻者优化的迭代计算,实现SOC值的计算;通过把SOC和极化电压Up作为其状态方程中的变量,输出端电压作为观测方程的变量,构建状态方程和观测方程表达式;SOC(k)和Up(k)为状态变量,分别是k时刻的SOC值和极化电压值;UL(k)为工作电压输出观测变量;状态方程系数A为系统矩阵,B为控制输入矩阵;系统噪声参数w(k)和观测噪声参数v(k)均为高斯白噪声,协方差分别为Q和R;UL(k)为考虑测量误差v(k)影响的电压信号输出;初始化生成100个SOC状态粒子,通过迭代计算,从上一个状态值SOC(k-1)、输入信号I(k)和测量信号UL(k)计算出粒子滤波模型的估算值SOC(k);通过得到的100个粒子的SOC值计算出对应的端电压值,和观测变量真实UL(k)作比较,通过判断估算值的好坏得出每个粒子的权重;将权重最高的SOC粒子模拟做人群中的最优个体,通过模仿人类的合作、记忆、学习等智能行为,确定每个粒子的搜索方向和步长,完成位置更新,进而进行粒子重采样过程,将计算完成后100个粒子中的最优值作为当前时刻的SOC估算值;通过把该估算框架应用于估算过程中,构建锂离子电池SOC估算模型如图1所示。电池状态空间模型如下所示。
针对不同时刻k,该SOC估算过程包括融合高斯白噪声w1(k)的随机状态变量SOC,以及融入高斯白噪声v(k)的观测随机变量UL(k);噪声矩阵w1(k)和w2(k)的方差使用Q进行描述,噪声矩阵v(k)的方差使用R进行描述;
图1中,S1阶段表示状态方程的计算过程,S2阶段表示根据搜寻者优化算法更新SOC粒子状态的过程;在随机噪声的影响下,针对锂离子电池SOC精确估算目标,
不同时刻k的估算通过以下步骤实现:
1):初始化N=100个SOC粒子,计算状态空间变量的一步预测及其方差矩阵,根据状态方程可以直接得到如下所示预测方程:
SOC(k|k-1)=A(k)SOC(k-1|k-1)+BI(k) (2)
其中,SOC(k-1|k-1)为当前时刻SOC值,SOC(k|k-1)下一时刻所估算的SOC值,A(k)为状态转移矩阵,对系统变量进行预测,B为系统控制输入矩阵;
2):通过得到的100个粒子的SOC值计算出对应的端电压值,和观测变量真实UL(k)作比较,通过判断估算值的好坏得出每个粒子的权重,并实现权重归一化:
其中,ωi k代表k时刻第i个粒子的权重;
3):将权重最高的SOC粒子模拟做人群中的最优个体,当搜寻者粒子远离最优值时,步长将增大,当距离接近时,粒子将在附近搜索;这也意味着步长的确定需要利用模糊系统的逼近能力,而高斯隶属函数可以用来确定步长,搜寻步长由不确定性推理来确定,如式(4)所示:
ui是目标函数值i的隶属度,uij是目标函数值i在j维搜索空间中的隶属度,模拟人群搜索行为的随机性;δij是高斯隶属函数参数,xmin和xmax分别是相同总体中最小和最大函数值的位置,iter和itermax分别是当前迭代次数和最大迭代次数,(itermax-iter)/itermax是惯性权重,随着迭代次数的增加,惯性权重从0.9线性减小到0.1;
4):算法的搜寻方向根据利己行为、利他行为和预动行为分别得到利己方向、利他方向和预动方向,最终方向采用加权几何平均法确定,如式(5)所示:
Pi,best是当前个体所经历过的最优位置,Gi,best是第i个搜索个体所在邻域的整体历史最佳位置;W是迭代权重,rand是0到1之间的随机数,sign()是符号函数;
5):如果满足重采样条件,即权重不符合条件的粒子数大于所设阈值,将进行粒子的重采样,重采样结束后,根据更新后的粒子权重来确定下一时刻的SOC估算值:
其中,Neff是所设阈值,ωk代表k时刻粒子的权重,x(i)代表第i个SOC粒子的估计值;
在锂离子电池SOC估算过程中,通过以上一系列公式进行迭代,输出的xk即为所求的SOC值。
上述方法基于粒子滤波算法框架实现迭代计算过程;在SOC估算的一步预测计算过程中,通过引入搜寻者优化算法提高粒子寻优精度和速度,实现了锂离子电池的SOC估算模型构建。
本实施例基于粒子重采样与搜寻者优化算法研究,把电池端电压和电流作为实时输入参量,在SOC估算过程中考虑锂离子电池的工况信息,克服了传统SOC估算方法实时修正不足所造成的误差较大和逐渐累积等缺点;同时针对由于传统粒子滤波易陷入粒子退化和粒子多样性降低可能带来的SOC估算误差,基于粒子重采样与搜寻者优化方法将SOC粒子模拟人类的智能行为,如合作、学习和记忆等,使SOC粒子通过不断搜索逐步向最优值靠近,防止重采样过程中易出现粒子退化和粒子贫乏的情况;针对锂离子电池的SOC估算问题,结合等效电路建模方法和迭代计算过程的优势分析,提出基于粒子重采样与搜寻者优化算法并开展迭代计算方法研究,实现了高精度SOC估算模型的构建与实验验证;
图2展示了在HPPC工况下传统PF算法、本实施例的SOA-PF算法估计SOC的结果以及和参考SOC值的比较。从图3误差比较图中可以明显看出,本实施例的SOA-PF法的整体精度明显提高,在整个放电过程中可以更好地跟踪真实值,并且波动较小。相比之下,传统的PF法的误差波动很大,而本实施例的SOA-PF法解决了传统PF法后期容易发散的问题。
在HPPC测试下,通过最大误差(Maximum Error,ME)、平均绝对误差(MeanAbsolute Error,MAE)和均方根误差(Root Mean Square Error,RMSE)比较了两种算法的实验结果,如表1所示。
表1 HPPC工况下SOC估算结果的比较
估算方法 | PF | SOA-PF |
ME | 2.29% | 1.39% |
MAE | 1.04% | 0.48% |
RMSE | 1.19% | 0.60% |
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法,其特征在于,包括下述步骤:
S1:构建电池的状态空间模型;
S2:基于粒子重采样与搜寻者优化的迭代计算,实现SOC值的估算。
3.根据权利要求2所述的方法,其特征在于:所述电池的状态空间模型的构建方法为:
S11:通过将SOC和极化电压Up作为状态方程中的变量,输出端电压作为观测方程的变量,分别构建所述状态方程和观测方程表达式;
S12:初始化生成N个SOC状态粒子,通过迭代计算,从上一个状态值SOC(k-1)、输入信号I(k)和测量信号UL(k)计算出粒子滤波模型的估算值SOC(k)。
4.根据权利要求3所述的方法,其特征在于:所述步骤S12中,不同时刻k的估算方法为:
(1)初始化N个SOC粒子,计算状态空间变量的一步预测及其方差矩阵,根据状态方程直接得到如下所示预测方程:
SOC(k|k-1)=A(k)SOC(k-1|k-1)+BI(k) (2)
其中,SOC(k-1|k-1)为当前时刻SOC值,SOC(k|k-1)下一时刻所估算的SOC值,A(k)为状态转移矩阵,对系统变量进行预测,B为系统控制输入矩阵;
(2):通过得到的N个粒子的SOC值计算出对应的输出端电压值,和观测变量真实UL(k)作比较,通过判断估算值的好坏得出每个粒子的权重,并实现权重归一化:
(3):将权重最高的SOC粒子模拟做人群中的最优个体,当搜寻者粒子远离最优值时,步长将增大,当距离接近时,粒子将在附近搜寻;搜寻步长由不确定性推理来确定,如式(4)所示:
ui是目标函数值i的隶属度,uij是目标函数值i在j维搜索空间中的隶属度,模拟人群搜索行为的随机性;δij是高斯隶属函数参数,xmin和xmax分别是相同总体中最小和最大函数值的位置,iter和itermax分别是当前迭代次数和最大迭代次数,(itermax-iter)/itermax是惯性权重,随着迭代次数的增加,惯性权重从0.9 线性减小到0.1;
(4):算法的搜寻方向根据利己行为、利他行为和预动行为分别得到利己方向、利他方向和预动方向,最终方向采用加权几何平均法确定,如式(5)所示:
Pi,best是当前个体所经历过的最优位置,Gi,best是第i个搜索个体所在邻域的整体历史最佳位置。W是迭代权重,rand是0到1之间的随机数,sign()是符号函数;
(5):如果满足重采样条件,即权重不符合条件的粒子数大于所设阈值,将进行粒子的重采样,重采样结束后,根据更新后的粒子权重来确定下一时刻的SOC估算值:
其中,Neff是所设阈值,ωk代表k时刻粒子的权重,x(i)代表第i个SOC粒子的估计值。
5.根据权利要求3所述的方法,其特征在于:所述N=100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211030790.9A CN115308623A (zh) | 2022-08-26 | 2022-08-26 | 一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211030790.9A CN115308623A (zh) | 2022-08-26 | 2022-08-26 | 一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115308623A true CN115308623A (zh) | 2022-11-08 |
Family
ID=83863770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211030790.9A Pending CN115308623A (zh) | 2022-08-26 | 2022-08-26 | 一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115308623A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117465291A (zh) * | 2023-12-27 | 2024-01-30 | 中航锂电(洛阳)有限公司 | 一种估算磷酸铁锂电池混动车辆电量soc的方法及车辆 |
-
2022
- 2022-08-26 CN CN202211030790.9A patent/CN115308623A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117465291A (zh) * | 2023-12-27 | 2024-01-30 | 中航锂电(洛阳)有限公司 | 一种估算磷酸铁锂电池混动车辆电量soc的方法及车辆 |
CN117465291B (zh) * | 2023-12-27 | 2024-04-02 | 中航锂电(洛阳)有限公司 | 一种估算磷酸铁锂电池混动车辆电量soc的方法及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021259196A1 (zh) | 一种电池组一致性评估方法及系统 | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN112034356B (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
CN113049962B (zh) | 一种基于lstm的储能装置运行态势推演方法 | |
CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN109459699A (zh) | 一种锂离子动力电池soc实时监测方法 | |
CN112881914B (zh) | 一种锂电池健康状态预测方法 | |
CN111753416A (zh) | 一种基于两阶段Wiener过程的锂离子电池RUL预测方法 | |
CN114660464A (zh) | 一种锂离子电池荷电状态估算方法 | |
CN106777786A (zh) | 一种锂离子电池soc估算方法 | |
CN111426957A (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN106597288A (zh) | 一种电源soc估算方法 | |
CN115327416A (zh) | 基于群体智能优化和粒子滤波的锂离子电池soc估算方法 | |
Zhao et al. | Estimation of the SOC of energy-storage lithium batteries based on the voltage increment | |
CN114280490A (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN114217234B (zh) | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
CN113671378B (zh) | 一种基于分数阶理论的锂离子电池建模及参数辨识方法 | |
Hu et al. | State of health estimation for lithium-ion batteries with dynamic time warping and deep kernel learning model | |
CN115308623A (zh) | 一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN113420444A (zh) | 一种基于参数在线辨识的锂离子电池soc估计方法 | |
You et al. | Capacity Estimation of lithium battery based on charging data and Long Short-term Memory Recurrent Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |